PrismFlow：面向时间序列生成的流匹配残差动力学
arXiv 于2026年5月22日收录了一篇题为《PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation》的新论文（编号arXiv:2605.28867v1，学科分类为机器学习cs.LG，并交叉涉及人工智能cs.AI）。论文由Junru Zhang领衔，共有包括他在内的9位作者合作完成。稿件于2026年5月22日星期五07:10:20 UTC提交，全文约25,065 KB，提供PDF、实验性HTML版本以及TeX源码等多种获取方式，DOI通过DataCite分配（注册尚待完成）。
论文聚焦的核心问题是高质量时间序列数据的生成。现实世界中的信号往往呈现多模态模式与多尺度动态，既包含周期性振荡，也包含高频变化，这使得合成数据难以同时兼顾整体分布与局部细节。流匹配（Flow Matching，FM）作为扩散模型的高效替代方案受到关注，但现有实用实现通常只依赖一个有限容量的全局向量场估计器。在异质性强的时间分布中，不同动态机制可能在流状态空间中彼此靠近，却需要互不兼容的条件速度。用标准ℓ2速度匹配目标训练出的单一估计器，因而容易学到过度平滑的局部传输场近似，这种估计器层面的平滑会削弱各分支特有的动态，造成频谱失真与模式覆盖不足。
为应对这一难题，作者提出PrismFlow，一种引入Koopman启发的动力学专家的新流匹配方法。每个专家在潜空间中学习残差修正，而该潜空间经过设计，使局部非线性的时间演化可以用线性转移来近似。作者还提出一种置信度感知的赢者通吃（Winner-Take-All，WTA）目标：每次只更新与样本最匹配的那个专家，并屏蔽其余专家的梯度，从而推动专家向特定模式专门化。在采样阶段，被选中的专家在全局传输场上叠加残差动力学修正，既保持了流匹配的稳定性，又能恢复细粒度与高频的时间结构。
论文报告称，在多项基准测试中，PrismFlow有效缓解了标准流匹配中的频谱收缩现象，并取得当前最优性能：Context-FID提升15.6%，判别分数（Discriminative Score）改善38.6%。该方法在低数据场景下依然稳健，同时在预测与插补任务上表现有效。这些结果提示，将全局传输场与模式专门化的残差专家相结合，是提升时间序列生成质量的一条可行路径。